CN117435996B - 基于指定专利数据的技术保护策略建议的分析方法及系统 - Google Patents
基于指定专利数据的技术保护策略建议的分析方法及系统 Download PDFInfo
- Publication number
- CN117435996B CN117435996B CN202311754480.6A CN202311754480A CN117435996B CN 117435996 B CN117435996 B CN 117435996B CN 202311754480 A CN202311754480 A CN 202311754480A CN 117435996 B CN117435996 B CN 117435996B
- Authority
- CN
- China
- Prior art keywords
- technical
- report
- clustering
- strategy
- infringement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims description 67
- 238000005516 engineering process Methods 0.000 claims abstract description 76
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 67
- 238000005457 optimization Methods 0.000 claims abstract description 66
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 claims abstract description 22
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 claims abstract description 22
- 238000002922 simulated annealing Methods 0.000 claims abstract description 20
- 238000007619 statistical method Methods 0.000 claims abstract description 9
- 238000012567 pattern recognition method Methods 0.000 claims abstract description 7
- 230000006399 behavior Effects 0.000 claims description 31
- 238000013135 deep learning Methods 0.000 claims description 25
- 230000003595 spectral effect Effects 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 230000008878 coupling Effects 0.000 claims description 11
- 238000010168 coupling process Methods 0.000 claims description 11
- 238000005859 coupling reaction Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 230000010485 coping Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000003909 pattern recognition Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000000137 annealing Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 5
- 230000002860 competitive effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services; Handling legal documents
- G06Q50/184—Intellectual property management
Abstract
本发明涉及知识产权管理技术领域,具体为基于指定专利数据的技术保护策略建议的分析方法及系统,包括以下步骤,基于给定专利数据,采用NLP技术和深度学习算法,进行技术元素提取、特征分析,生成技术特征摘要。本发明中,应用统计分析和模式识别方法进行领域适应性评估,使得技术的市场适应性和潜在应用范围得到更全面的评价。结合模拟退火算法和MPC理论,能够有效地优化专利的商业目标,并根据市场环境进行动态决策调整,有助于提高专利的商业价值和市场竞争力。通过卷积神经网络的应用,能够及时检测潜在的数据侵权行为,大大降低侵权风险。利用GANs模型和Pareto优化算法,能够生成全面优化的技术保护策略,提供更加全面和有效的技术保护方案。
Description
技术领域
本发明涉及知识产权管理技术领域,尤其涉及基于指定专利数据的技术保护策略建议的分析方法及系统。
背景技术
知识产权管理,该领域涵盖了专利分析、知识产权保护、技术竞争情报等内容,旨在帮助企业有效管理其知识产权,保护创新成果,提高市场竞争力。
其中,基于指定专利数据的技术保护策略建议的分析方法是一种基于专利数据的分析策略,旨在帮助企业制定和优化技术保护策略。通过对指定的专利数据进行深入分析,识别技术创新的方向和趋势,以便制定更有效的知识产权保护计划,主要目的是提供有效的技术保护策略建议,以确保企业在竞争激烈的市场中能够保护其独特的技术成果,防范侵权行为,维护竞争优势。通过该方法,企业可以更好地了解当前技术领域的专利情况,识别可能的技术风险和机会。这有助于优化企业的研发方向,降低技术风险,加强对核心技术的保护,从而提高创新的可持续性,保护市场份额。
现有方法缺乏深度学习和NLP技术的支持,导致对专利技术元素的提取和分析不够精确,难以深入理解专利的核心价值和应用潜力。缺乏模式识别和统计分析工具,使得现有方法在评估技术的市场适应性和应用范围方面不全面,难以准确预测市场需求。在专利商业目标的优化和市场环境的动态决策调整方面,现有方法过于依赖经验判断,缺乏科学的算法支持,限制了其优化策略的有效性。至于侵权行为的预防和检测,传统方法反应迟缓,缺乏即时性和准确性,增加专利被侵权的风险。现有方法在生成技术保护策略方面缺乏创新性和全面性,难以提供有效的保护方案。
发明内容
本发明的目的是解决现有技术中存在的缺点,而提出的基于指定专利数据的技术保护策略建议的分析方法及系统。
为了实现上述目的,本发明采用了如下技术方案:基于指定专利数据的技术保护策略建议的分析方法,包括以下步骤,
S1:基于给定专利数据,采用NLP技术和深度学习算法,进行技术元素提取、特征分析,生成技术特征摘要;
S2:基于所述技术特征摘要,采用统计分析和模式识别方法,进行领域适应性评估,生成技术适应性报告;
S3:基于所述技术特征摘要和技术适应性报告,通过模拟退火算法,进行专利商业目标优化,生成优化后技术保护策略;
S4:基于所述优化后技术保护策略,采用MPC理论,进行市场环境的动态决策调整,生成专利申请策略;
S5:基于所述技术特征摘要和专利申请策略,采用卷积神经网络,进行数据侵权行为检测,生成侵权行为预警报告;
S6:基于所述技术特征摘要和侵权行为预警报告,应用谱聚类、深度自动编码器混合模型并行耦合算法,进行专利聚类,生成专利技术聚类报告;
S7:基于所述专利技术聚类报告和专利申请策略,利用GANs模型生成代表聚类虚拟专利,采用Pareto优化算法,进行整体优化,生成技术保护策略建议报告;
所述技术特征摘要具体为对专利技术核心要素进行总结、描述,所述技术适应性报告具体为通过分析核心技术在多领域适用性和潜在影响的报告,所述专利申请策略包括针对市场变化趋势和竞争结构的动态应对策略、原有策略的具体微调计划,所述侵权行为预警报告具体指通过深度网络识别的潜在侵权行为及其相关风险警示信息,所述专利技术聚类报告具体指识别相似性技术领域及其相关信息的概括,所述技术保护策略建议报告包括技术保护策略建议、市场环境评估、针对性应对策略。
作为本发明的进一步方案,基于给定专利数据,采用NLP技术和深度学习算法,进行技术元素提取、特征分析,生成技术特征摘要的具体步骤为:
S101:基于给定专利数据,采用NLP技术,进行文本清洗,生成预处理后专利数据;
S102:基于所述预处理后专利数据,使用词嵌入技术,进行文本特征提取,生成文本特征向量;
S103:基于所述文本特征向量,使用深度卷积神经网络,进行模型训练,识别技术元素,生成技术元素识别模型;
S104:基于所述技术元素识别模型和预处理后专利数据,进行技术元素提取,生成技术特征摘要。
作为本发明的进一步方案,基于所述技术特征摘要,采用统计分析和模式识别方法,进行领域适应性评估,生成技术适应性报告的具体步骤为:
S201:基于所述技术特征摘要,应用贝叶斯分类器,进行专利领域类别预测,生成专利领域预测模型;
S202:基于所述专利领域预测模型和技术特征摘要,确定技术元素涉及领域,生成领域标签;
S203:基于所述领域标签,采用皮尔逊相关系数分析法,分析技术元素、领域联结程度,生成领域适应性指数;
S204:基于所述领域适应性指数,排列评估结果,确定领域适应性评级,生成技术适应性报告。
作为本发明的进一步方案,基于所述技术特征摘要和技术适应性报告,通过模拟退火算法,进行专利商业目标优化,生成优化后技术保护策略的具体步骤为:
S301:基于所述技术特征摘要和技术适应性报告,采用模拟退火算法,确定初始专利保护策略、目标,生成初步专利保护策略;
S302:基于所述初步专利保护策略,使用模拟退火算法进行迭代优化,调整策略参数,生成优化中专利保护策略;
S303:基于所述优化中专利保护策略,进行评估调整,生成调整后专利保护策略;
S304:基于所述调整后专利保护策略中,确定最优解,生成优化后技术保护策略。
作为本发明的进一步方案,基于所述优化后技术保护策略,采用MPC理论,进行市场环境的动态决策调整,生成专利申请策略的具体步骤为:
S401:基于所述优化后技术保护策略,采用MPC理论,分析市场环境当前状态,生成市场环境当前状态分析报告;
S402:基于所述市场环境当前状态分析报告,进行分析预测,生成初始专利申请策略;
S403:基于所述初始专利申请策略,针对市场环境动态变化,进行实时策略调整,生成动态调整中专利申请策略;
S404:基于所述动态调整中专利申请策略,进行综合评估优化,生成专利申请策略。
作为本发明的进一步方案,基于所述技术特征摘要和专利申请策略,采用卷积神经网络,进行数据侵权行为检测,生成侵权行为预警报告的具体步骤为:
S501:基于所述技术特征摘要和专利申请策略,采用CNN进行特征提取,生成专利数据特征;
S502:基于所述专利数据特征,使用卷积神经网络进行数据模式识别,识别潜在侵权行为,生成潜在侵权行为报告;
S503:基于所述潜在侵权行为报告,进行数据分析,明确侵权行为类型,生成侵权行为类型报告;
S504:基于所述侵权行为类型报告,发出预警信息,生成侵权行为预警报告。
作为本发明的进一步方案,基于所述技术特征摘要和侵权行为预警报告,应用谱聚类、深度自动编码器混合模型并行耦合算法,进行专利聚类,生成专利技术聚类报告的具体步骤为:
S601:基于所述技术特征摘要和侵权行为预警报告,采用谱聚类算法进行专利初步聚类,形成初步专利聚类列表;
S602:基于所述初步专利聚类列表,运用深度自动编码器进行特征深度学习,生成深度学习聚类特征;
S603:基于所述深度学习聚类特征与初步专利聚类列表,进行并行耦合,使用混合模型优化聚类效果,生成优化后专利聚类文本;
S604:基于所述优化后专利聚类文本,进行综合分析,生成专利技术聚类报告。
作为本发明的进一步方案,基于所述专利技术聚类报告和专利申请策略,利用GANs模型生成代表聚类虚拟专利,采用Pareto优化算法,进行整体优化,生成技术保护策略建议报告的具体步骤为:
S701:基于所述专利技术聚类报告和专利申请策略,利用GANs模型,生成虚拟专利初步框架;
S702:基于所述虚拟专利初步框架,使用GANs模型,生成具体虚拟专利;
S703:基于所述具体虚拟专利,采用帕累托优化算法进行多目标优化,平衡专利技术价值、市场潜力,生成优化后虚拟专利组合;
S704:基于所述优化后虚拟专利组合,结合市场需求、竞争态势,生成技术保护策略建议报告。
基于指定专利数据的技术保护策略建议的分析系统,所述系统包括专利数据预处理模块、领域适应性评估模块、专利保护策略优化模块、市场环境分析模块、侵权行为预警模块、专利技术聚类模块、虚拟专利生成模块、技术保护策略建议模块。
作为本发明的进一步方案,所述专利数据预处理模块基于给定专利数据,采用NLP技术,进行数据预处理,通过深度学习算法提取文本特征,生成预处理后专利数据和文本特征向量;
所述领域适应性评估模块基于文本特征向量,应用贝叶斯分类器和皮尔逊相关系数分析法,生成技术适应性报告;
所述专利保护策略优化模块基于技术适应性报告,采用模拟退火算法,进行专利保护策略优化调整,生成优化后技术保护策略;
所述市场环境分析模块基于优化后技术保护策略,采用MPC理论,分析市场环境并形成决策调整,生成专利申请策略;
所述侵权行为预警模块基于专利申请策略,使用卷积神经网络对潜在的侵权行为进行检测和预警,生成侵权行为预警报告;
所述专利技术聚类模块基于侵权行为预警报告,采用谱聚类和深度自动编码器,进行专利的技术聚类分析,生成专利技术聚类报告;
所述虚拟专利生成模块基于专利技术聚类报告,利用GANs模型,生成虚拟专利,并采用帕累托优化算法进行多目标优化,生成优化后虚拟专利组合;
所述技术保护策略建议模块基于优化后虚拟专利组合和专利申请策略,结合市场需求和竞争态势,生成技术保护策略建议报告。
与现有技术相比,本发明的优点和积极效果在于:
本发明中,应用统计分析和模式识别方法进行领域适应性评估,使得技术的市场适应性和潜在应用范围得到更全面的评价。结合模拟退火算法和MPC理论,能够有效地优化专利的商业目标,并根据市场环境进行动态决策调整,有助于提高专利的商业价值和市场竞争力。通过卷积神经网络的应用,能够及时检测潜在的数据侵权行为,大大降低侵权风险。利用GANs模型和Pareto优化算法,能够生成全面优化的技术保护策略,为专利持有者提供更加全面和有效的技术保护方案。
附图说明
图1为本发明的工作流程示意图;
图2为本发明的S1细化流程图;
图3为本发明的S2细化流程图;
图4为本发明的S3细化流程图;
图5为本发明的S4细化流程图;
图6为本发明的S5细化流程图;
图7为本发明的S6细化流程图;
图8为本发明的S7细化流程图
图9为本发明的系统流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本发明的描述中,需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
实施例一
请参阅图1,本发明提供一种技术方案:基于指定专利数据的技术保护策略建议的分析方法,包括以下步骤,
S1:基于给定专利数据,采用NLP技术和深度学习算法,进行技术元素提取、特征分析,生成技术特征摘要;
S2:基于技术特征摘要,采用统计分析和模式识别方法,进行领域适应性评估,生成技术适应性报告;
S3:基于技术特征摘要和技术适应性报告,通过模拟退火算法,进行专利商业目标优化,生成优化后技术保护策略;
S4:基于优化后技术保护策略,采用MPC理论,进行市场环境的动态决策调整,生成专利申请策略;
S5:基于技术特征摘要和专利申请策略,采用卷积神经网络,进行数据侵权行为检测,生成侵权行为预警报告;
S6:基于技术特征摘要和侵权行为预警报告,应用谱聚类、深度自动编码器混合模型并行耦合算法,进行专利聚类,生成专利技术聚类报告;
S7:基于专利技术聚类报告和专利申请策略,利用GANs模型生成代表聚类虚拟专利,采用Pareto优化算法,进行整体优化,生成技术保护策略建议报告;
技术特征摘要具体为对专利技术核心要素进行总结、描述,技术适应性报告具体为通过分析核心技术在多领域适用性和潜在影响的报告,专利申请策略包括针对市场变化趋势和竞争结构的动态应对策略、原有策略的具体微调计划,侵权行为预警报告具体指通过深度网络识别的潜在侵权行为及其相关风险警示信息,专利技术聚类报告具体指识别相似性技术领域及其相关信息的概括,技术保护策略建议报告包括技术保护策略建议、市场环境评估、针对性应对策略。
通过采用NLP技术和深度学习算法进行技术元素提取和特征分析,能够快速准确地生成技术特征摘要。有助于对专利技术进行全面的理解和把握,为后续的市场适应性评估和专利申请策略制定提供基础。基于技术特征摘要和技术适应性报告,通过模拟退火算法进行专利商业目标优化,能够生成优化后的技术保护策略。能够帮助决策者在制定技术保护策略时考虑到市场需求和竞争环境,提高技术的商业化成功率。基于优化后的技术保护策略,采用MPC理论进行市场环境的动态决策调整,能够生成专利申请策略。使得技术保护策略能够根据市场变化趋势和竞争结构进行灵活调整,提高申请专利的成功率和市场竞争力。基于技术特征摘要和专利申请策略,采用卷积神经网络进行数据侵权行为检测,能够生成侵权行为预警报告。有助于及时发现潜在的侵权行为并采取相应的法律措施,保护专利技术的合法权益。通过应用谱聚类、深度自动编码器混合模型并行耦合算法进行专利聚类,能够生成专利技术聚类报告。有助于识别相似性技术领域及其相关信息,为技术保护策略的制定提供参考依据。利用GANs模型生成代表聚类虚拟专利,采用Pareto优化算法进行整体优化,能够生成技术保护策略建议报告。为决策者提供了全面的技术保护策略建议、市场环境评估和针对性应对策略。
综上所述,基于指定专利数据的技术保护策略建议的分析方法能够全面理解专利技术的核心要素和市场适应性,优化技术保护策略并及时调整专利申请策略,发现潜在的侵权行为并采取相应措施,识别相似性技术领域并进行整体优化,为决策者提供全面的技术保护策略建议和市场环境评估。
请参阅图2,基于给定专利数据,采用NLP技术和深度学习算法,进行技术元素提取、特征分析,生成技术特征摘要的具体步骤为:
S101:基于给定专利数据,采用NLP技术,进行文本清洗,生成预处理后专利数据;
S102:基于预处理后专利数据,使用词嵌入技术,进行文本特征提取,生成文本特征向量;
S103:基于文本特征向量,使用深度卷积神经网络,进行模型训练,识别技术元素,生成技术元素识别模型;
S104:基于技术元素识别模型和预处理后专利数据,进行技术元素提取,生成技术特征摘要。
在步骤S101中,对给定的专利数据进行文本清洗。包括去除特殊字符、标点符号、数字等无关信息,并进行大小写转换和词形还原等处理,以便后续的特征提取和模型训练。
在步骤S102中,使用词嵌入技术对预处理后的专利数据进行文本特征提取。词嵌入是一种将词语映射到低维向量空间的技术,通过学习语义关系和上下文信息来表示词语的含义。可以使用预训练的词嵌入模型如Word2Vec或GloVe,或者通过训练自己的词嵌入模型来生成文本特征向量。
在步骤S103中,使用深度卷积神经网络对文本特征向量进行模型训练,以识别技术元素并生成技术元素识别模型。可以选择合适的深度卷积神经网络结构,如卷积层、池化层和全连接层,并通过反向传播算法进行模型参数的优化。训练过程中可以使用已有的标注好的技术元素数据集来进行监督学习。
在步骤S104中,利用技术元素识别模型对预处理后的专利数据进行技术元素提取。通过将预处理后的专利数据输入到已训练好的模型中,得到技术元素的预测结果,从而生成技术特征摘要。技术特征摘要可以包括关键词、短语或分类标识等,用于描述和总结专利技术的核心要素。
请参阅图3,基于技术特征摘要,采用统计分析和模式识别方法,进行领域适应性评估,生成技术适应性报告的具体步骤为:
S201:基于技术特征摘要,应用贝叶斯分类器,进行专利领域类别预测,生成专利领域预测模型;
S202:基于专利领域预测模型和技术特征摘要,确定技术元素涉及领域,生成领域标签;
S203:基于领域标签,采用皮尔逊相关系数分析法,分析技术元素、领域联结程度,生成领域适应性指数;
S204:基于领域适应性指数,排列评估结果,确定领域适应性评级,生成技术适应性报告。
在步骤S201中,应用贝叶斯分类器对技术特征摘要进行专利领域类别预测,生成专利领域预测模型。可以使用已有的标注好的专利数据集作为训练集,通过训练贝叶斯分类器来学习不同技术领域的特征和分布情况。将技术特征摘要输入到已训练好的模型中,得到专利领域的预测结果。
在步骤S202中,根据专利领域预测模型的结果和技术特征摘要,确定技术元素涉及的领域,并生成相应的领域标签。通过将预测得到的专利领域与预定义的领域类别进行匹配来实现。例如,可以将预测得到的专利领域标记为“通信”、“计算机科学”等。
在步骤S203中,基于生成的领域标签,采用皮尔逊相关系数分析法来分析技术元素与领域的联结程度,并生成领域适应性指数。皮尔逊相关系数是一种常用的统计指标,用于衡量两个变量之间的相关性。通过计算技术元素与领域的相关系数,可以得到一个表示领域适应性的指数值。
在步骤S204中,基于生成的领域适应性指数,对评估结果进行排列,确定领域的适应性评级,并生成技术适应性报告。可以根据领域适应性指数的大小或排名来确定不同领域的适应性级别,如高、中、低等。同时,还可以结合其他因素如市场需求、竞争情况等来综合评估技术的适应性。
请参阅图4,基于技术特征摘要和技术适应性报告,通过模拟退火算法,进行专利商业目标优化,生成优化后技术保护策略的具体步骤为:
S301:基于技术特征摘要和技术适应性报告,采用模拟退火算法,确定初始专利保护策略、目标,生成初步专利保护策略;
S302:基于初步专利保护策略,使用模拟退火算法进行迭代优化,调整策略参数,生成优化中专利保护策略;
S303:基于优化中专利保护策略,进行评估调整,生成调整后专利保护策略;
S304:基于调整后专利保护策略中,确定最优解,生成优化后技术保护策略。
在步骤S301中,根据技术特征摘要和技术适应性报告,确定初始的专利保护策略和目标。包括确定要保护的技术范围、专利申请的地区和领域、专利类型等。将这些信息作为初始参数输入到模拟退火算法中,生成初步的专利保护策略。
在步骤S302中,使用模拟退火算法对初步的专利保护策略进行迭代优化。模拟退火算法是一种启发式的全局优化算法,通过模拟固体退火过程中的能量变化来搜索最优解。在每次迭代中,可以根据一定的规则调整专利保护策略的参数,如增加或减少申请地区、调整申请类型等。
在步骤S303中,根据优化中的专利保护策略进行评估调整。可以通过比较不同策略的效果和成本来实现。例如,可以评估不同策略下的专利申请成功率、市场竞争力、法律风险等因素,并根据评估结果对策略进行调整。
在步骤S304中,根据调整后的专利保护策略确定最优解,并生成优化后的技术保护策略。最优解可以是使商业目标最大化或最小化的专利保护策略。例如,可以使专利申请数量最多、市场份额最大或法律风险最小化的策略作为最优解。
请参阅图5,基于优化后技术保护策略,采用MPC理论,进行市场环境的动态决策调整,生成专利申请策略的具体步骤为:
S401:基于优化后技术保护策略,采用MPC理论,分析市场环境当前状态,生成市场环境当前状态分析报告;
S402:基于市场环境当前状态分析报告,进行分析预测,生成初始专利申请策略;
S403:基于初始专利申请策略,针对市场环境动态变化,进行实时策略调整,生成动态调整中专利申请策略;
S404:基于动态调整中专利申请策略,进行综合评估优化,生成专利申请策略。
在步骤S401中,根据优化后的技术保护策略,使用MPC理论对市场环境进行分析。这包括收集和分析市场数据、竞争对手信息、技术趋势等,以了解当前市场环境的状态,再将分析结果整理成市场环境当前状态分析报告。
在步骤S402中,基于市场环境当前状态分析报告,进行进一步的分析预测。这可以包括对未来市场需求、竞争态势和技术发展趋势的预测。通过这些预测,可以生成初始的专利申请策略,包括选择申请的地区、领域和专利类型等。
在步骤S403中,根据初始的专利申请策略,针对市场环境的动态变化进行实时的策略调整。这可以通过不断监测市场数据和竞争情报来实现。例如,如果发现某个地区的市场需求增加或竞争对手在某个领域有新的突破,可以及时调整专利申请策略,以保持竞争优势。
在步骤S404中,基于动态调整中的专利申请策略,进行综合评估和优化。可以包括评估不同策略下的专利申请成功率、市场竞争力、法律风险等因素,并根据评估结果对策略进行优化。通过综合评估和优化的过程,可以生成最终的专利申请策略。
请参阅图6,基于技术特征摘要和专利申请策略,采用卷积神经网络,进行数据侵权行为检测,生成侵权行为预警报告的具体步骤为:
S501:基于技术特征摘要和专利申请策略,采用CNN进行特征提取,生成专利数据特征;
S502:基于专利数据特征,使用卷积神经网络进行数据模式识别,识别潜在侵权行为,生成潜在侵权行为报告;
S503:基于潜在侵权行为报告,进行数据分析,明确侵权行为类型,生成侵权行为类型报告;
S504:基于侵权行为类型报告,发出预警信息,生成侵权行为预警报告。
在步骤S501中,根据技术特征摘要和专利申请策略,使用卷积神经网络(CNN)进行特征提取。可以通过将技术特征摘要和专利申请策略作为输入数据,通过CNN的卷积层、池化层等网络结构进行特征提取,生成专利数据的特征表示。
在步骤S502中,基于生成的专利数据特征,使用卷积神经网络进行数据模式识别,以识别潜在的侵权行为。可以通过训练一个分类器或异常检测模型来实现,该模型可以根据专利数据特征判断是否存在侵权行为,再将识别到的潜在侵权行为整理成报告。
在步骤S503中,基于潜在侵权行为报告,进行数据分析以明确侵权行为的类型。这可以包括对潜在侵权行为进行进一步的调查和分析,以确定具体的侵权行为类型,如侵犯专利权、侵犯商业秘密等,再将明确的侵权行为类型整理成报告。
在步骤S504中,基于侵权行为类型报告,发出预警信息并生成侵权行为预警报告。包括向相关人员发送警告通知或生成详细的预警报告,以便采取相应的法律措施来保护知识产权。
请参阅图7,基于技术特征摘要和侵权行为预警报告,应用谱聚类、深度自动编码器混合模型并行耦合算法,进行专利聚类,生成专利技术聚类报告的具体步骤为:
S601:基于技术特征摘要和侵权行为预警报告,采用谱聚类算法进行专利初步聚类,形成初步专利聚类列表;
S602:基于初步专利聚类列表,运用深度自动编码器进行特征深度学习,生成深度学习聚类特征;
S603:基于深度学习聚类特征与初步专利聚类列表,进行并行耦合,使用混合模型优化聚类效果,生成优化后专利聚类文本;
S604:基于优化后专利聚类文本,进行综合分析,生成专利技术聚类报告。
在步骤S601中,根据技术特征摘要和侵权行为预警报告,使用谱聚类算法对专利进行初步聚类。可以通过计算专利之间的相似度,并利用谱聚类算法将相似的专利划分为同一类别,形成初步的专利聚类列表。
在步骤S602中,基于初步专利聚类列表,运用深度自动编码器进行特征深度学习,生成深度学习聚类特征。可以通过训练一个深度自动编码器模型来实现,该模型可以根据初步专利聚类列表中的特征数据学习到更高层次的抽象特征表示。
在步骤S603中,基于深度学习聚类特征与初步专利聚类列表,进行并行耦合。可以通过将深度学习聚类特征与初步专利聚类列表结合起来,形成一个混合模型。然后,使用该混合模型对专利进行优化聚类,以进一步提高聚类效果。最终,生成优化后的专利聚类文本。
在步骤S604中,基于优化后的专利聚类文本,进行综合分析并生成专利技术聚类报告。包括对每个聚类的专利进行进一步的分析和总结,以了解不同技术领域的专利分布情况和技术趋势,再将这些分析结果整理成专利技术聚类报告。
请参阅图8,基于专利技术聚类报告和专利申请策略,利用GANs模型生成代表聚类虚拟专利,采用Pareto优化算法,进行整体优化,生成技术保护策略建议报告的具体步骤为:
S701:基于专利技术聚类报告和专利申请策略,利用GANs模型,生成虚拟专利初步框架;
S702:基于虚拟专利初步框架,使用GANs模型,生成具体虚拟专利;
S703:基于具体虚拟专利,采用帕累托优化算法进行多目标优化,平衡专利技术价值、市场潜力,生成优化后虚拟专利组合;
S704:基于优化后虚拟专利组合,结合市场需求、竞争态势,生成技术保护策略建议报告。
在步骤S701中,根据专利技术聚类报告和专利申请策略,使用GANs模型生成虚拟专利的初步框架。可以通过训练一个GANs模型来实现,该模型可以根据专利技术聚类报告和专利申请策略生成虚拟专利的初步框架,包括专利摘要、技术领域、创新点等。
在步骤S702中,基于虚拟专利的初步框架,使用GANs模型生成具体的虚拟专利。可以通过进一步训练GANs模型来实现,该模型可以根据初步框架生成更具体和完整的虚拟专利,包括详细的描述、实施方式、权利要求等。
在步骤S703中,基于具体的虚拟专利,采用帕累托优化算法进行多目标优化。可以通过定义多个优化目标,如专利技术价值、市场潜力等,并使用帕累托优化算法来平衡这些目标。通过优化算法的选择和参数调整,生成一组优化后的虚拟专利组合。
在步骤S704中,基于优化后的虚拟专利组合,结合市场需求和竞争态势,生成技术保护策略建议报告。可以包括对每个虚拟专利的市场前景和竞争优势进行分析和评估,并根据分析结果提出相应的技术保护策略建议。建议可以包括专利申请方向、技术领域重点、竞争对手监测等。
请参阅图9,基于指定专利数据的技术保护策略建议的分析系统,系统包括专利数据预处理模块、领域适应性评估模块、专利保护策略优化模块、市场环境分析模块、侵权行为预警模块、专利技术聚类模块、虚拟专利生成模块、技术保护策略建议模块。
专利数据预处理模块基于给定专利数据,采用NLP技术,进行数据预处理,通过深度学习算法提取文本特征,生成预处理后专利数据和文本特征向量;
领域适应性评估模块基于文本特征向量,应用贝叶斯分类器和皮尔逊相关系数分析法,生成技术适应性报告;
专利保护策略优化模块基于技术适应性报告,采用模拟退火算法,进行专利保护策略优化调整,生成优化后技术保护策略;
市场环境分析模块基于优化后技术保护策略,采用MPC理论,分析市场环境并形成决策调整,生成专利申请策略;
侵权行为预警模块基于专利申请策略,使用卷积神经网络对潜在的侵权行为进行检测和预警,生成侵权行为预警报告;
专利技术聚类模块基于侵权行为预警报告,采用谱聚类和深度自动编码器,进行专利的技术聚类分析,生成专利技术聚类报告;
虚拟专利生成模块基于专利技术聚类报告,利用GANs模型,生成虚拟专利,并采用帕累托优化算法进行多目标优化,生成优化后虚拟专利组合;
技术保护策略建议模块基于优化后虚拟专利组合和专利申请策略,结合市场需求和竞争态势,生成技术保护策略建议报告。
该系统通过专利数据预处理模块和深度学习算法提取文本特征,能够快速准确地生成预处理后专利数据和文本特征向量。有助于提高后续模块的分析和决策效率。
领域适应性评估模块应用贝叶斯分类器和皮尔逊相关系数分析法,生成技术适应性报告。可以帮助决策者了解技术领域的发展趋势和市场需求,从而制定更有针对性的技术保护策略。
专利保护策略优化模块采用模拟退火算法进行优化调整,生成优化后技术保护策略。可以提高专利申请的成功率和商业价值,同时降低侵权风险。
市场环境分析模块利用MPC理论对市场环境进行分析和决策调整,生成专利申请策略。可以帮助决策者更好地把握市场机会,提高专利申请的效果和竞争力。
侵权行为预警模块使用卷积神经网络对潜在的侵权行为进行检测和预警,生成侵权行为预警报告。帮助企业及时发现并采取相应的法律措施来保护知识产权,避免损失。
专利技术聚类模块采用谱聚类和深度自动编码器进行专利的技术聚类分析,生成专利技术聚类报告。可以帮助企业了解不同技术领域的专利分布情况和技术趋势,为技术创新提供参考和支持。
虚拟专利生成模块利用GANs模型生成虚拟专利,并采用帕累托优化算法进行多目标优化,生成优化后虚拟专利组合。可以帮助企业提高专利申请的数量和质量,增强知识产权的保护力度。
以上,仅是本发明的较佳实施例而已,并非对本发明作其他形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域,但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (10)
1.基于指定专利数据的技术保护策略建议的分析方法,其特征在于,包括以下步骤,
基于给定专利数据,采用NLP技术和深度学习算法,进行技术元素提取、特征分析,生成技术特征摘要;
基于所述技术特征摘要,采用统计分析和模式识别方法,进行领域适应性评估,生成技术适应性报告;
基于所述技术特征摘要和技术适应性报告,通过模拟退火算法,进行专利商业目标优化,生成优化后技术保护策略;
基于所述优化后技术保护策略,采用MPC理论,进行市场环境的动态决策调整,生成专利申请策略;
基于所述技术特征摘要和专利申请策略,采用卷积神经网络,进行数据侵权行为检测,生成侵权行为预警报告;
基于所述技术特征摘要和侵权行为预警报告,应用谱聚类、深度自动编码器混合模型并行耦合算法,进行专利聚类,生成专利技术聚类报告;
基于所述专利技术聚类报告和专利申请策略,利用GANs模型生成代表聚类虚拟专利,采用Pareto优化算法,进行整体优化,生成技术保护策略建议报告;
所述技术特征摘要具体为对专利技术核心要素进行总结、描述,所述技术适应性报告具体为通过分析核心技术在多领域适用性和潜在影响的报告,所述专利申请策略包括针对市场变化趋势和竞争结构的动态应对策略、原有策略的具体微调计划,所述侵权行为预警报告具体指通过深度网络识别的潜在侵权行为及其相关风险警示信息,所述专利技术聚类报告具体指识别相似性技术领域及其相关信息的概括,所述技术保护策略建议报告包括技术保护策略建议、市场环境评估、针对性应对策略。
2.根据权利要求1所述的基于指定专利数据的技术保护策略建议的分析方法,其特征在于,基于给定专利数据,采用NLP技术和深度学习算法,进行技术元素提取、特征分析,生成技术特征摘要的具体步骤为:
基于给定专利数据,采用NLP技术,进行文本清洗,生成预处理后专利数据;
基于所述预处理后专利数据,使用词嵌入技术,进行文本特征提取,生成文本特征向量;
基于所述文本特征向量,使用深度卷积神经网络,进行模型训练,识别技术元素,生成技术元素识别模型;
基于所述技术元素识别模型和预处理后专利数据,进行技术元素提取,生成技术特征摘要。
3.根据权利要求1所述的基于指定专利数据的技术保护策略建议的分析方法,其特征在于,基于所述技术特征摘要,采用统计分析和模式识别方法,进行领域适应性评估,生成技术适应性报告的具体步骤为:
基于所述技术特征摘要,应用贝叶斯分类器,进行专利领域类别预测,生成专利领域预测模型;
基于所述专利领域预测模型和技术特征摘要,确定技术元素涉及领域,生成领域标签;
基于所述领域标签,采用皮尔逊相关系数分析法,分析技术元素、领域联结程度,生成领域适应性指数;
基于所述领域适应性指数,排列评估结果,确定领域适应性评级,生成技术适应性报告。
4.根据权利要求1所述的基于指定专利数据的技术保护策略建议的分析方法,其特征在于,基于所述技术特征摘要和技术适应性报告,通过模拟退火算法,进行专利商业目标优化,生成优化后技术保护策略的具体步骤为:
基于所述技术特征摘要和技术适应性报告,采用模拟退火算法,确定初始专利保护策略、目标,生成初步专利保护策略;
基于所述初步专利保护策略,使用模拟退火算法进行迭代优化,调整策略参数,生成优化中专利保护策略;
基于所述优化中专利保护策略,进行评估调整,生成调整后专利保护策略;
基于所述调整后专利保护策略中,确定最优解,生成优化后技术保护策略。
5.根据权利要求1所述的基于指定专利数据的技术保护策略建议的分析方法,其特征在于,基于所述优化后技术保护策略,采用MPC理论,进行市场环境的动态决策调整,生成专利申请策略的具体步骤为:
基于所述优化后技术保护策略,采用MPC理论,分析市场环境当前状态,生成市场环境当前状态分析报告;
基于所述市场环境当前状态分析报告,进行分析预测,生成初始专利申请策略;
基于所述初始专利申请策略,针对市场环境动态变化,进行实时策略调整,生成动态调整中专利申请策略;
基于所述动态调整中专利申请策略,进行综合评估优化,生成专利申请策略。
6.根据权利要求1所述的基于指定专利数据的技术保护策略建议的分析方法,其特征在于,基于所述技术特征摘要和专利申请策略,采用卷积神经网络,进行数据侵权行为检测,生成侵权行为预警报告的具体步骤为:
基于所述技术特征摘要和专利申请策略,采用CNN进行特征提取,生成专利数据特征;
基于所述专利数据特征,使用卷积神经网络进行数据模式识别,识别潜在侵权行为,生成潜在侵权行为报告;
基于所述潜在侵权行为报告,进行数据分析,明确侵权行为类型,生成侵权行为类型报告;
基于所述侵权行为类型报告,发出预警信息,生成侵权行为预警报告。
7.根据权利要求1所述的基于指定专利数据的技术保护策略建议的分析方法,其特征在于,基于所述技术特征摘要和侵权行为预警报告,应用谱聚类、深度自动编码器混合模型并行耦合算法,进行专利聚类,生成专利技术聚类报告的具体步骤为:
基于所述技术特征摘要和侵权行为预警报告,采用谱聚类算法进行专利初步聚类,形成初步专利聚类列表;
基于所述初步专利聚类列表,运用深度自动编码器进行特征深度学习,生成深度学习聚类特征;
基于所述深度学习聚类特征与初步专利聚类列表,进行并行耦合,使用混合模型优化聚类效果,生成优化后专利聚类文本;
基于所述优化后专利聚类文本,进行综合分析,生成专利技术聚类报告。
8.根据权利要求1所述的基于指定专利数据的技术保护策略建议的分析方法,其特征在于,基于所述专利技术聚类报告和专利申请策略,利用GANs模型生成代表聚类虚拟专利,采用Pareto优化算法,进行整体优化,生成技术保护策略建议报告的具体步骤为:
基于所述专利技术聚类报告和专利申请策略,利用GANs模型,生成虚拟专利初步框架;
基于所述虚拟专利初步框架,使用GANs模型,生成具体虚拟专利;
基于所述具体虚拟专利,采用帕累托优化算法进行多目标优化,平衡专利技术价值、市场潜力,生成优化后虚拟专利组合;
基于所述优化后虚拟专利组合,结合市场需求、竞争态势,生成技术保护策略建议报告。
9.基于指定专利数据的技术保护策略建议的分析系统,其特征在于,根据权利要求1-8任一项所述的基于指定专利数据的技术保护策略建议的分析方法,所述系统包括专利数据预处理模块、领域适应性评估模块、专利保护策略优化模块、市场环境分析模块、侵权行为预警模块、专利技术聚类模块、虚拟专利生成模块、技术保护策略建议模块。
10.根据权利要求9所述的基于指定专利数据的技术保护策略建议的分析系统,其特征在于,所述专利数据预处理模块基于给定专利数据,采用NLP技术,进行数据预处理,通过深度学习算法提取文本特征,生成预处理后专利数据和文本特征向量;
所述领域适应性评估模块基于文本特征向量,应用贝叶斯分类器和皮尔逊相关系数分析法,生成技术适应性报告;
所述专利保护策略优化模块基于技术适应性报告,采用模拟退火算法,进行专利保护策略优化调整,生成优化后技术保护策略;
所述市场环境分析模块基于优化后技术保护策略,采用MPC理论,分析市场环境并形成决策调整,生成专利申请策略;
所述侵权行为预警模块基于专利申请策略,使用卷积神经网络对潜在的侵权行为进行检测和预警,生成侵权行为预警报告;
所述专利技术聚类模块基于侵权行为预警报告,采用谱聚类和深度自动编码器,进行专利的技术聚类分析,生成专利技术聚类报告;
所述虚拟专利生成模块基于专利技术聚类报告,利用GANs模型,生成虚拟专利,并采用帕累托优化算法进行多目标优化,生成优化后虚拟专利组合;
所述技术保护策略建议模块基于优化后虚拟专利组合和专利申请策略,结合市场需求和竞争态势,生成技术保护策略建议报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311754480.6A CN117435996B (zh) | 2023-12-20 | 2023-12-20 | 基于指定专利数据的技术保护策略建议的分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311754480.6A CN117435996B (zh) | 2023-12-20 | 2023-12-20 | 基于指定专利数据的技术保护策略建议的分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117435996A CN117435996A (zh) | 2024-01-23 |
CN117435996B true CN117435996B (zh) | 2024-03-22 |
Family
ID=89553839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311754480.6A Active CN117435996B (zh) | 2023-12-20 | 2023-12-20 | 基于指定专利数据的技术保护策略建议的分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117435996B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047296A (zh) * | 2019-12-17 | 2020-04-21 | 十堰企兴企业管理顾问有限公司 | 一种知识产权保护管理系统 |
CN111833018A (zh) * | 2020-07-14 | 2020-10-27 | 广东聚智诚科技有限公司 | 一种科技项目的专利分析方法及系统 |
-
2023
- 2023-12-20 CN CN202311754480.6A patent/CN117435996B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047296A (zh) * | 2019-12-17 | 2020-04-21 | 十堰企兴企业管理顾问有限公司 | 一种知识产权保护管理系统 |
CN111833018A (zh) * | 2020-07-14 | 2020-10-27 | 广东聚智诚科技有限公司 | 一种科技项目的专利分析方法及系统 |
Non-Patent Citations (1)
Title |
---|
专利权保护的博弈分析;赵联宁;陈广华;;电子知识产权;20070615(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117435996A (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Singh et al. | A review of studies on machine learning techniques | |
Lin et al. | Dynamic multi-attribute decision making model with grey number evaluations | |
Gheyas et al. | Feature subset selection in large dimensionality domains | |
Wickramasinghe et al. | Explainable unsupervised machine learning for cyber-physical systems | |
CN109947898B (zh) | 基于智能化的装备故障测试方法 | |
Anaraki et al. | Rough set based feature selection: a review | |
CN112819024B (zh) | 模型处理方法、用户数据处理方法及装置、计算机设备 | |
Alzaeemi et al. | Examining the forecasting movement of palm oil price using RBFNN-2SATRA metaheuristic algorithms for logic mining | |
CN115115389A (zh) | 一种基于价值细分和集成预测的快递客户流失预测方法 | |
CN107066468A (zh) | 一种基于遗传算法与最近邻算法的案件检索方法 | |
CN104537383A (zh) | 一种基于粒子群的海量组织机构数据分类方法及系统 | |
CN117349782B (zh) | 智能数据预警决策树分析方法及系统 | |
CN117435996B (zh) | 基于指定专利数据的技术保护策略建议的分析方法及系统 | |
Varshney et al. | Review of various Artificial Intelligence Techniques and its applications | |
Fan | Data mining model for predicting the quality level and classification of construction projects | |
Zhang et al. | DuAK: Reinforcement Learning-Based Knowledge Graph Reasoning for Steel Surface Defect Detection | |
Zhou et al. | Construction safety management in the data-rich era: A hybrid review based upon three perspectives of nature of dataset, machine learning approach, and research topic | |
CN113064967B (zh) | 基于深度迁移网络的投诉举报可信度分析方法 | |
CN115422556A (zh) | 漏洞利用概率预测方法、系统、设备及存储介质 | |
Xiong et al. | L-RBF: A customer churn prediction model based on lasso+ RBF | |
Shujaaddeen et al. | A New Machine Learning Model for Detecting levels of Tax Evasion Based on Hybrid Neural Network | |
Galván et al. | Evolutionary Multi-objective Optimisation in Neurotrajectory Prediction | |
Khomonenko et al. | Approach to processing of data from social networks for detecting public opinion on quality of educational services | |
Xu et al. | Novel Early-Warning Model for Customer Churn of Credit Card Based on GSAIBAS-CatBoost. | |
CN117787569B (zh) | 一种智能辅助评标方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |